數據分析方法、裝置、終端及存儲介質與流程

2023-05-21 20:32:01 1

本發明涉及數據處理技術領域，具體涉及一種數據分析方法、裝置、終端及存儲介質。

背景技術：

目前的商業智能分析技術普遍基於傳統二維表資料庫，通過在傳統資料庫上使用groupby，sum，avg等sql函數的方式來做數據的分布和聚合運算。根據傳統資料庫的數據存儲和實現方式，主要是根據表的索引，做表的掃描和乘積，以投影燈運算的方式來計算出數據的分布和聚合結果。現有的數據分析方法進行數據的分布和聚合運算的性能偏低，需要較長時間才能獲得需要的結果。

技術實現要素：

鑑於以上內容，有必要提出一種數據分析方法、裝置、終端及存儲介質，其可以提高數據的分布和聚合運算的性能，快速得到數據分析結果。

本申請的第一方面提供一種數據分析方法，應用於終端，所述數據分析方法包括：

建立並存儲原始數據的搜尋引擎存儲結構，所述搜尋引擎存儲結構包括以文檔結構存儲的原始數據及對所述原始數據的分詞關鍵字建立的倒排索引，所述分詞關鍵字通過對所述原始數據進行分詞處理獲得；

接收到對所述原始數據進行分布和/或聚合運算的指令後，確定需要檢索的關鍵字和需要獲取的數據；

從所述倒排索引中查找與所述需要檢索的關鍵字匹配的索引信息；

從所述文檔結構的原始數據中讀取與所述索引信息匹配的文檔；

從所述文檔中讀取所述需要獲取的數據；

對讀取的數據進行所述分布和/或聚合計算，得到計算結果；

輸出所述計算結果。

另一種可能的實現方式中，所述方法還包括：

在進行所述分布和/或聚合計算時，將檢索到的每條數據的關鍵字作為索引緩存在結果集中；

接收二次分析指令，所述二次分析指令指定二次分析關鍵字；

根據所述二次分析指令對所述結果集中的數據進行過濾，留下關鍵字中包含所述二次分析關鍵字的數據；

對過濾後的結果進行聚合計算，得到二次分析結果。

另一種可能的實現方式中，所述原始數據是二維表資料庫，所述建立原始數據的搜尋引擎存儲結構是根據所述二維表資料庫建立原始數據的搜尋引擎存儲結構。

另一種可能的實現方式中，所述對原始數據進行分詞處理包括：

對所述二維資料庫的欄位進行分詞處理。

另一種可能的實現方式中，所述輸出所述計算結果包括：

通過圖表輸出所述計算結果。

本申請的第二方面提供一種數據分析裝置，所述裝置包括：

建立單元，用於建立並存儲原始數據的搜尋引擎存儲結構，所述搜尋引擎存儲結構包括以文檔結構存儲的原始數據及對所述原始數據的分詞關鍵字建立的倒排索引，所述分詞關鍵字通過對所述原始數據進行分詞處理獲得；

確定單元，用於接收到對所述原始數據進行分布和/或聚合運算的指令後，確定需要檢索的關鍵字和需要獲取的數據；

數據獲取單元，用於從所述倒排索引中查找與所述需要檢索的關鍵字匹配的索引信息，從所述文檔結構的原始數據中讀取與所述索引信息匹配的文檔，從所述文檔中讀取所述需要獲取的數據；

計算單元，用於對讀取的數據進行所述分布和/或聚合計算，得到計算結果；

數據單元，用於輸出所述計算結果。

另一種可能的實現方式中，所述裝置還包括：

二次分析單元，用於在進行所述分布和/或聚合計算時，將檢索到的每條數據的關鍵字作為索引緩存在結果集中；接收二次分析指令，所述二次分析指令指定二次分析關鍵字；根據所述二次分析指令對所述結果集中的數據進行過濾，留下關鍵字中包含所述二次分析關鍵字的數據；對過濾後的結果進行聚合計算，得到二次分析結果。

另一種可能的實現方式中，所述原始數據是二維表資料庫，所述建立原始數據的搜尋引擎存儲結構是根據所述二維表資料庫建立原始數據的搜尋引擎存儲結構。

本申請的第三方面提供一種終端，所述終端包括處理器，所述處理器用於執行存儲器中存儲的電腦程式時實現所述數據分析方法的步驟。

本申請的第三方面提供一種計算機可讀存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現所述數據分析方法的步驟。

本發明建立並存儲原始數據的搜尋引擎存儲結構，所述搜尋引擎存儲結構包括以文檔結構存儲的原始數據，以及對原始數據進行分詞處理後得到分詞關鍵字，對所述分詞關鍵字建立的倒排索引；接收到對所述原始數據進行分布和/或聚合運算的指令後，確定需要檢索的關鍵字和需要獲取的數據；從所述倒排索引中查找與所述需要檢索的關鍵字匹配的索引信息；從所述文檔結構的原始數據中讀取與所述索引信息匹配的文檔；從所述文檔中讀取所述需要獲取的數據；對讀取的數據進行所述分布和/或聚合計算，得到計算結果；輸出所述計算結果。本發明可以提高數據的分布和聚合運算的性能，快速得到數據分析結果。

附圖說明

圖1是分布類型的示例。

圖2是本發明實施例一提供的數據分析方法的流程圖。

圖3是二維表資料庫的數據存儲結構的示意圖。

圖4是文檔結構存儲的原始數據的示意圖。

圖5是對「名稱」欄位經過分詞處理後建立的倒排索引的示意圖。

圖6是對「飲品」欄位經過分詞處理後建立的倒排索引的示意圖。

圖7是基於搜尋引擎存儲結構的數據分析方法與基於傳統資料庫的數據分析方法的測試結果示意圖。

圖8是本發明實施例二提供的數據分析裝置的結構圖。

圖9是本發明實施例三提供的終端的示意圖。

具體實施方式

為了便於理解和說明本發明，下面給出分布、聚合及二次分析的名稱解釋。

分布：某個數據集中，選取數據中的某一個欄位按照某種特定的條件進行分組。

圖1是分布類型的示例。需要說明的是，本發明涉及的分布類型包括但不限於圖1中所示例的分布類型。

聚合：在完成分布的基礎上，對某個分布內的數據的某一列（如利潤、成本）進行數據運算。本發明涉及的聚合類型包括但不限於求和、求平均值、求最大值、求最小值、求中位值、求個數、求不重複的個數、求方差、求標準差、求分布、求所有數據地理位置hash的邊界、求所有數據地理位置的中心。

二次分析：在已經做了分布和/或聚合運算的分析結果上，對分布和/或聚合運算得到的數據子集進行分析，獲得數據子集的分析結果。

為了能夠更清楚地理解本發明的上述目的、特徵和優點，下面結合附圖和具體實施例對本發明進行詳細描述。需要說明的是，在不衝突的情況下，本申請的實施例及實施例中的特徵可以相互組合。

在下面的描述中闡述了很多具體細節以便於充分理解本發明，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。

除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在於限制本發明。

優選地，本發明的數據分析方法應用在一個或者多個終端中。所述終端是一種能夠按照事先設定或存儲的指令，自動進行數值計算和/或信息處理的設備，其硬體包括但不限於微處理器、專用集成電路(applicationspecificintegratedcircuit，asic)、可編程門陣列(field－programmablegatearray，fpga)、數字處理器(digitalsignalprocessor，dsp)、嵌入式設備等。

所述終端可以是桌上型計算機、筆記本、掌上電腦及雲端伺服器等計算設備。所述終端可以與用戶通過鍵盤、滑鼠、遙控器、觸摸板或聲控設備等方式進行人機互動。

實施例一

圖2是本發明實施例一提供的數據分析方法的流程圖。所述數據分析方法應用於終端。如圖2所示，該方法具體包括以下步驟：

201：建立並存儲原始數據的搜尋引擎存儲結構。所述搜尋引擎存儲結構包括以文檔結構存儲的原始數據及對所述原始數據的分詞關鍵字建立的倒排索引。所述分詞關鍵字通過對原始數據進行分詞處理獲得。

所述原始數據可以包括從不同領域採集到的數據，例如商品交易數據、患者就診數據、學生成績數據、天氣數據等。

所述原始數據可以包括不同屬性的信息。例如所述原始數據為咖啡店的銷售數據，所述銷售數據包括咖啡店銷售的商品的名稱、售價、成本、分類、銷量等信息。

在本實施例中，原始數據可以是二維表資料庫，可以根據二維表資料庫建立原始數據的搜尋引擎存儲結構。

圖3是二維表資料庫的數據存儲結構的示意圖。二維表資料庫的數據存儲結構包括多個欄位。例如，圖3所示的原始數據包括商品的id、名稱、售價、成本、分類五個欄位。

圖4是文檔結構存儲的原始數據的示意圖。不同於二維表資料庫，所述文檔結構中，每行都是一個文檔。每個文檔對應二維表資料庫中的一行（即維表資料庫中的一條記錄）。

可以使用分詞器與分詞庫，對原始數據進行分詞處理。可以根據實際業務的需求，使用普遍分詞庫或者專門分詞庫，以達到對實際數據進行有條件地準確地分詞。普遍分詞庫是根據不同行業生成的詞庫。專門分詞庫是根據客戶特殊需求生成的詞庫。舉例來說，使用分詞器與分詞庫，可以將「美式咖啡」分拆為「美式咖啡」、「美式」和「咖啡」三個關鍵字，這三個關鍵字將成為數據分析時搜索數據的依據。

根據需要，對原始數據進行分詞處理時，可以對原始數據中所有的可檢索欄位（例如圖3中id以外的欄位）進行分詞，也可以對預定欄位進行分詞。

倒排索引中，每條索引包括一個分詞關鍵字和包含該分詞關鍵字的文檔列表。圖5是對「名稱」欄位經過分詞處理後建立的倒排索引的示意圖。如圖5所示，每一條索引包括一個分詞關鍵字和包含該分詞關鍵字的id列表。例如，分詞關鍵字「美式咖啡」對應的id為1，分詞關鍵字「咖啡」對應的id為1,2。圖6是對「飲品」欄位經過分詞處理後建立的倒排索引的示意圖。

一條原始數據經分詞器分詞後，形成多條包含具體分詞關鍵字的最終存儲數據。

202：接收到對所述原始數據進行分布和/或聚合運算的指令後，確定需要檢索的關鍵字和需要獲取的數據。

例如，用戶要對咖啡店銷售額按照名稱進行統計，則確定需要檢索的關鍵字包括各個商品的名稱，需要獲取的數據包括各個商品的售價與銷量。

203：從所述倒排索引中查找與所述需要檢索的關鍵字匹配的索引信息。例如，從圖5所示的倒排索引中查找與各個商品的名稱匹配的id列表。

204：從所述文檔結構的原始數據中讀取與所述索引信息匹配的文檔。例如，從圖4所示的文檔結構的原始數據中讀取與所述id列表匹配的文檔。與所述索引信息匹配的文檔即檢索到的數據。

205：從所述文檔中讀取所述需要獲取的數據。例如，從所述文檔中獲取咖啡店各個商品的售價與銷量。

206：對讀取的數據進行所述分布和/或聚合計算，得到計算結果。例如，將每個商品的售價與銷量相乘，得到每個商品的銷售額。

舉例來說，參閱圖5所示，用戶想檢索所有的「咖啡」，從倒排索引中可以檢索到「咖啡」位於倒排索引的第三行，對應的id為1,2，然後可以直接去文檔結構存儲的原始數據中獲取id為1,2的兩個文檔。因為倒排索引包含了所有用戶可以檢索到的關鍵字，不需要再去逐行的掃描原始文檔，所以整個檢索過程十分快。

後續的各種分析，都是針對某個欄位進行的一次查詢結果的分析，例如要統計「類別」等於「飲品」的平均成本，檢索步驟為：從「飲品」欄位的倒排索引中檢索對應的id；根據id去讀取文檔，對「成本」計算平均數。

207：輸出所述計算結果。

可以通過圖表展現所述計算結果。所述圖表可以為任意形式，例如餅圖、折線圖、柱形圖、氣泡圖、雷達圖等。舉例來說，在計算出咖啡店按照種類與名稱統計的銷售額後，可以繪製咖啡店銷售額按照種類與名稱的統計餅圖。在計算出咖啡店按月的營收、成本與利潤後，可以繪製咖啡店銷售額按月統計折線圖。在計算出咖啡店的不同顧客對不同商品的消費金額後，可以繪製咖啡店顧客的消費喜好氣泡圖。

實施例一的數據分析方法建立並存儲原始數據的搜尋引擎存儲結構，包括文檔結構存儲的原始數據及對原始數據的分詞關鍵字建立的倒排索引；接收到對所述原始數據進行分布和/或聚合運算的指令後，確定需要檢索的關鍵字和需要獲取的數據；從所述倒排索引中查找與所述需要檢索的關鍵字匹配的索引信息；從所述文檔結構的原始數據中讀取與所述索引信息匹配的文檔；從所述文檔中讀取所述需要獲取的數據；對讀取的數據進行所述分布和/或聚合計算，得到計算結果；輸出所述計算結果。實施例一的數據分析方法實現了提高數據的分布和聚合運算的性能，快速得到數據分析結果。

圖7是基於搜尋引擎存儲結構的數據分析方法與基於傳統資料庫的數據分析方法的測試結果示意圖。所使用的測試平臺是阿里雲ecs企業版通用性伺服器（intelxeone54核8gcpu，ddr48g內存，ssd盤）。每次測試每種方法完成21次分布操作和283次聚合運算。

由圖7可知，當在36萬條數據的數據集上進行測試時，基於搜尋引擎存儲結構的數據分析方法的查詢效率是基於傳統資料庫的數據分析方法的21倍。當在800萬條數據的數據集上進行測試時，隨著數據量的增長，基於傳統資料庫的數據分析方法的查詢效率呈現大幅下滑趨勢，而基於搜尋引擎存儲結構的數據分析方法藉助倒排索引的查詢效率，查詢消耗僅微量上升，查詢效率達到傳統庫的150倍。當在2億條數據的數據集上進行測試時，基於傳統資料庫的數據分析方法由於網絡和資料庫設置的原因，在等待20分鐘後已無法完成查詢，而基於搜尋引擎存儲結構的數據分析方法查詢時間僅僅比800萬數據時上升了3倍，耗時6.1s。

可以看出，本發明可以加快分布和聚合運算的速度，快速得到數據分析結果。

在另一實施例中，所述方法還可以包括：在進行分布和/或聚合計算時，將檢索到的每條數據的關鍵字作為索引緩存在結果集中；接收二次分析指令，所述二次分析指令指定二次分析關鍵字；根據所述二次分析指令對所述結果集中的數據進行過濾，留下關鍵字中包含所述二次分析關鍵字的數據；對過濾後的結果進行聚合計算，得到二次分析結果。

舉例來說，原始數據包括10萬條數據。一次分析的時候對10萬條數據進行分布和/或聚合計算，假設符合條件的數據是5萬條，則將所述5萬條數據的關鍵字作為索引緩存在結果集中。當在一次分析的基礎上做二次分析時，可以直接從緩存的數據中篩選出符合二次分析條件的數據，對篩選出的數據進行分布和/或聚合計算。例如，若要分析所述5萬條數據中深圳市的數據，則從所述5萬條數據中篩選出具有關鍵字「深圳」的數據，假設有1400條，對所述1400條數據做分布和/或聚合計算即可。所述檢索到的數據的索引在建立倒排索引的時候已經建立過，所以上述方法並沒有額外的存儲過程，只是緩存了一次分析的結果數據集，從而提高二次分析的運算效率。

用戶可以以輸入二次分析關鍵字搜索或者輸入表達式的方式發出所述二次分析指令。

現有技術在一次分布和聚合結果上進行二次分析（比如指定僅僅看今年的數據分析結果），本質上相當於重新做一次完整的運算。而本發明的二次分析只需要在上一次的分布結果中，對分布結果的數據集進行一次篩選，再重新求聚合即可。

上述二次分析的過程可以反覆，累加實施。

實施例二

圖8為本發明實施例二提供的數據分析裝置的結構圖。如圖8所示，所述數據分析裝置10可以包括：建立單元801、確定單元802、數據獲取單元803、計算單元804、輸出單元805。

建立單元801，用於建立並存儲原始數據的搜尋引擎存儲結構。

所述搜尋引擎存儲結構包括以文檔結構存儲的原始數據及對所述原始數據的分詞關鍵字建立的倒排索引。所述分詞關鍵字通過對所述原始數據進行分詞處理獲得。

所述原始數據可以包括從不同領域採集到的數據，例如商品交易數據、患者就診數據、學生成績數據、天氣數據等。

所述原始數據可以包括不同屬性的信息。例如所述原始數據為咖啡店的銷售數據，所述銷售數據包括咖啡店銷售的商品的名稱、售價、成本、分類、銷量等信息。

在本實施例中，原始數據可以是二維表資料庫，可以根據二維表資料庫建立原始數據的搜尋引擎存儲結構。

圖3是二維表資料庫的數據存儲結構的示意圖。二維表資料庫的數據存儲結構包括多個欄位。例如，圖3所示的原始數據包括商品的id、名稱、售價、成本、分類五個欄位。

圖4是文檔結構存儲的原始數據的示意圖。不同於二維表資料庫，所述文檔結構中，每行都是一個文檔。每個文檔對應二維表資料庫中的一行（即維表資料庫中的一條記錄）。

可以使用分詞器與分詞庫，對原始數據進行分詞處理。可以根據實際業務的需求，使用普遍分詞庫或者專門分詞庫，以達到對實際數據進行有條件地準確地分詞。普遍分詞庫是根據不同行業生成的詞庫。專門分詞庫是根據客戶特殊需求生成的詞庫。舉例來說，使用分詞器與分詞庫，可以將「美式咖啡」分拆為「美式咖啡」、「美式」和「咖啡」三個關鍵字，這三個關鍵字將成為數據分析時搜索數據的依據。

根據需要，對原始數據進行分詞處理時，可以對原始數據中所有的可檢索欄位（例如圖3中id以外的欄位）進行分詞，也可以對預定欄位進行分詞。

倒排索引中，每條索引包括一個分詞關鍵字和包含該分詞關鍵字的文檔列表。圖5是對「名稱」欄位經過分詞處理後建立的倒排索引的示意圖。如圖5所示，每一條索引包括一個分詞關鍵字和包含該分詞關鍵字的id列表。例如，分詞關鍵字「美式咖啡」對應的id為1，分詞關鍵字「咖啡」對應的id為1,2。圖6是對「飲品」欄位經過分詞處理後建立的倒排索引的示意圖。

一條原始數據經分詞器分詞後，形成多條包含具體分詞關鍵字的最終存儲數據。

確定單元802，用於接收到對所述原始數據進行分布和/或聚合運算的指令後，確定需要檢索的關鍵字和需要獲取的數據。

例如，用戶要對咖啡店銷售額按照名稱進行統計，則確定需要檢索的關鍵字包括各個商品的名稱，需要獲取的數據包括各個商品的售價與銷量。

數據獲取單元803，用於從所述倒排索引中查找與所述需要檢索的關鍵字匹配的索引信息。例如，從圖5所示的倒排索引中查找與各個商品的名稱匹配的id列表。

數據獲取單元803，還用於從所述文檔結構的原始數據中讀取與所述索引信息匹配的文檔。例如，從圖4所示的文檔結構的原始數據中讀取與所述id列表匹配的文檔。與所述索引信息匹配的文檔即檢索到的數據。

數據獲取單元803，還用於從所述文檔中讀取所述需要獲取的數據。例如，從所述文檔中獲取咖啡店各個商品的售價與銷量。

計算單元804，用於對讀取的數據進行所述分布和/或聚合計算，得到計算結果。例如，將每個商品的售價與銷量相乘，得到每個商品的銷售額。

舉例來說，參閱圖5所示，用戶想檢索所有的「咖啡」，從倒排索引中可以檢索到「咖啡」位於倒排索引的第三行，對應的id為1,2，然後可以直接去文檔結構存儲的原始數據中獲取id為1,2的兩個文檔。因為倒排索引包含了所有用戶可以檢索到的關鍵字，不需要再去逐行的掃描原始文檔，所以整個檢索過程十分快。

後續的各種分析，都是針對某個欄位進行的一次查詢結果的分析，例如要統計「類別」等於「飲品」的平均成本，檢索步驟為：從「飲品」欄位的倒排索引中檢索文檔的id列表；根據文檔的id列表去讀取文檔，對「成本」計算平均數。

輸出單元805，用於輸出所述計算結果。

可以通過圖表展現所述計算結果。所述圖表可以為任意形式，例如餅圖、折線圖、柱形圖、氣泡圖、雷達圖等。舉例來說，在計算出咖啡店按照種類與名稱統計的銷售額後，可以繪製咖啡店銷售額按照種類與名稱的統計餅圖。在計算出咖啡店按月的營收、成本與利潤後，可以繪製咖啡店銷售額按月統計折線圖。在計算出咖啡店的不同顧客對不同商品的消費金額後，可以繪製咖啡店顧客的消費喜好氣泡圖。

實施例二的數據分析裝置建立並存儲原始數據的搜尋引擎存儲結構，包括文檔結構存儲的原始數據及對原始數據的分詞關鍵字建立的倒排索引；接收到對所述原始數據進行分布和/或聚合運算的指令後，確定需要檢索的關鍵字和需要獲取的數據；從所述倒排索引中查找與所述需要檢索的關鍵字匹配的索引信息；從所述文檔結構的原始數據中讀取與所述索引信息匹配的文檔；從所述文檔中讀取所述需要獲取的數據；對讀取的數據進行所述分布和/或聚合計算，得到計算結果；輸出所述計算結果。實施例二的數據分析裝置實現了提高數據的分布和聚合運算的性能，快速得到運算結果。

在另一實施例中，所述裝置還可以包括：

二次分析單元，用於在進行分布和/或聚合計算時，將檢索到的每條數據的關鍵字作為索引緩存在結果集中；接收二次分析指令，所述二次分析指令指定二次分析關鍵字；根據所述二次分析指令對所述結果集中的數據進行過濾，留下關鍵字中包含所述二次分析關鍵字的數據；對過濾後的結果進行聚合計算，得到二次分析結果。

舉例來說，原始數據包括10萬條數據。一次分析的時候對10萬條數據進行分布和/或聚合計算，假設符合條件的數據是5萬條，則將所述5萬條數據的關鍵字作為索引緩存在結果集中。當在一次分析的基礎上做二次分析時，可以直接從緩存的數據中篩選出符合二次分析條件的數據，對篩選出的數據進行分布和/或聚合計算。例如，若要分析所述5萬條數據中深圳市的數據，則從所述5萬條數據中篩選出具有關鍵字「深圳」的數據，假設有1400條，對所述1400條數據做分布和/或聚合計算即可。所述檢索到的數據的索引在建立倒排索引的時候已經建立過，所以上述方法並沒有額外的存儲過程，只是緩存了一次分析的結果數據集，從而提高二次分析的運算效率。

用戶可以以輸入二次分析關鍵字搜索或者輸入表達式的方式發出所述二次分析指令。

現有技術在一次分布和聚合結果上進行二次分析（比如指定僅僅看今年的數據分析結果），本質上相當於重新做一次完整的運算。而本發明的二次分析只需要在上一次的分布結果中，對分布結果的數據集進行一次篩選，再重新求聚合即可。

上述二次分析的過程可以反覆，累加實施。

實施例三

圖9為本發明實施例三提供的終端的示意圖。所述終端1包括存儲器20、處理器30以及存儲在所述存儲器20中並可在所述處理器30上運行的電腦程式40，例如數據分析程序。所述處理器30執行所述電腦程式40時實現上述數據分析方法實施例中的步驟，例如圖2所示的步驟201~207。或者，所述處理器30執行所述電腦程式40時實現上述裝置實施例中各模塊/單元的功能，例如圖8中的單元801~805。

示例性的，所述電腦程式40可以被分割成一個或多個模塊/單元，所述一個或者多個模塊/單元被存儲在所述存儲器20中，並由所述處理器30執行，以完成本發明。所述一個或多個模塊/單元可以是能夠完成特定功能的一系列電腦程式指令段，該指令段用於描述所述電腦程式40在所述終端1中的執行過程。例如，所述電腦程式40可以被分割成圖8中的建立單元801、確定單元802、數據獲取單元803、計算單元804、輸出單元805，各模塊具體功能參見實施例二。

所述終端1可以是桌上型計算機、筆記本、掌上電腦及雲端伺服器等計算設備。本領域技術人員可以理解，所述示意圖9僅僅是終端1的示例，並不構成對終端1的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件，例如所述終端1還可以包括輸入輸出設備、網絡接入設備、總線等。

所稱處理器30可以是中央處理單元(centralprocessingunit，cpu)，還可以是其他通用處理器、數位訊號處理器(digitalsignalprocessor，dsp)、專用集成電路(applicationspecificintegratedcircuit，asic)、現成可編程門陣列(field-programmablegatearray，fpga)或者其他可編程邏輯器件、分立門或者電晶體邏輯器件、分立硬體組件等。通用處理器可以是微處理器或者該處理器30也可以是任何常規的處理器等，所述處理器30是所述終端1的控制中心，利用各種接口和線路連接整個終端1的各個部分。

所述存儲器20可用於存儲所述電腦程式40和/或模塊/單元，所述處理器30通過運行或執行存儲在所述存儲器20內的電腦程式和/或模塊/單元，以及調用存儲在存儲器20內的數據，實現所述終端1的各種功能。所述存儲器20可主要包括存儲程序區和存儲數據區，其中，存儲程序區可存儲作業系統、至少一個功能所需的應用程式（比如聲音播放功能、圖像播放功能等）等；存儲數據區可存儲根據終端1的使用所創建的數據（比如音頻數據、電話本等）等。此外，存儲器20可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如硬碟、內存、插接式硬碟，智能存儲卡（smartmediacard,smc），安全數字（securedigital,sd）卡，快閃記憶體卡（flashcard）、至少一個磁碟存儲器件、快閃記憶體器件、或其他易失性固態存儲器件。

所述終端1集成的模塊/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基於這樣的理解，本發明實現上述實施例方法中的全部或部分流程，也可以通過電腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一計算機可讀存儲介質中，該電腦程式在被處理器執行時，可實現上述各個方法實施例的步驟。其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始碼形式、對象代碼形式、可執行文件或某些中間形式等。所述計算機可讀介質可以包括：能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、u盤、移動硬碟、磁碟、光碟、計算機存儲器、只讀存儲器（rom，read-onlymemory）、隨機存取存儲器（ram，randomaccessmemory）、電載波信號、電信信號以及軟體分發介質等。需要說明的是，所述計算機可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減，例如在某些司法管轄區，根據立法和專利實踐，計算機可讀介質不包括電載波信號和電信信號。

在本發明所提供的幾個實施例中，應該理解到，所揭露的終端和方法，可以通過其它的方式實現。例如，以上所描述的終端實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式。

另外，在本發明各個實施例中的各功能單元可以集成在相同處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在相同單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用硬體加軟體功能模塊的形式實現。

對於本領域技術人員而言，顯然本發明不限於上述示範性實施例的細節，而且在不背離本發明的精神或基本特徵的情況下，能夠以其他的具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示範性的，而且是非限制性的，本發明的範圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和範圍內的所有變化涵括在本發明內。不應將權利要求中的任何附圖標記視為限制所涉及的權利要求。此外，顯然「包括」一詞不排除其他單元或步驟，單數不排除複數。終端權利要求中陳述的多個單元或終端也可以由同一個單元或終端通過軟體或者硬體來實現。第一，第二等詞語用來表示名稱，而並不表示任何特定的順序。

最後應說明的是，以上實施例僅用以說明本發明的技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或等同替換，而不脫離本發明技術方案的精神和範圍。